CN116321007A - 出行目的预测方法、装置、设备及存储介质 - Google Patents
出行目的预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116321007A CN116321007A CN202310301939.0A CN202310301939A CN116321007A CN 116321007 A CN116321007 A CN 116321007A CN 202310301939 A CN202310301939 A CN 202310301939A CN 116321007 A CN116321007 A CN 116321007A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- track
- target
- travel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000009499 grossing Methods 0.000 claims abstract description 26
- 230000011664 signaling Effects 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/02—Services making use of location information
- H04W4/029—Location-based management or tracking services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明实施例公开了一种出行目的预测方法、装置、设备及存储介质。根据目标用户的终端信令数据生成初始时空轨迹；其中，时空轨迹由多个轨迹点构成，且轨迹点包括时间信息和空间位置信息；对初始时空轨迹进行平滑处理，获得目标时空轨迹；从目标时空轨迹提取出行时空特征；将出行时空特征输入训练后的预测模型，输出目标用户的出行目的。本发明实施例提供的出行目的预测方法，从平滑处理后的时空轨迹中提取出行时空特征，再进出行时空特征输入训练后的预测模型，以预测出用户的出行目的，可以提高预测准确性。
Description
技术领域
本发明实施例涉及数据处理技术领域，尤其涉及一种出行目的预测方法、装置、设备及存储介质。
背景技术
对用户出行目的的推断是个体行为研究的一项重要内容。对出行目的的判断多基于用地性质及规则挖掘，往往采用具有真实活动目的信息的居民出行调查数据或者要求志愿者主动填报出行信息的位置数据，通过出行目的标签及其他一些特征信息进行规则挖掘，构建出行目的推断模型。
现有技术中，通过采用交通工具刷卡数据、交通工具定位数据、移动终端定位数据及社交媒体数据等数据源进行目的的预测。这些数据源由于具有样本偏差，在推断用户出行目的上存在局限性，使得预测精度较低。
发明内容
本发明实施例提供一种出行目的预测方法、装置、设备及存储介质，通过终端信令数据预测用户的出行目的，可以提高预测的准确性。
第一方面，本发明实施例提供了一种出行目的预测方法，包括：
根据目标用户的终端信令数据生成初始时空轨迹；其中，所述时空轨迹由多个轨迹点构成，且所述轨迹点包括时间信息和空间位置信息；
对所述初始时空轨迹进行平滑处理，获得目标时空轨迹；
从所述目标时空轨迹提取出行时空特征；
将所述出行时空特征输入训练后的预测模型，输出所述目标用户的出行目的。
第二方面，本发明实施例还提供了一种出行目的预测装置，包括：
初始时空轨迹生成模块，用于根据目标用户的终端信令数据生成初始时空轨迹；其中，所述时空轨迹由多个轨迹点构成，且所述轨迹点包括时间信息和空间位置信息；
平滑处理模块，用于对所述初始时空轨迹进行平滑处理，获得目标时空轨迹；
出行时空特征提取模块，用于从所述目标时空轨迹提取出行时空特征；
出行目的获取模块，用于将所述出行时空特征输入训练后的预测模型，输出所述目标用户的出行目的。
第三方面，本发明实施例还提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明实施例所述的出行目的预测方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明实施例所述的出行目的预测方法。
本发明实施例公开了一种出行目的预测方法、装置、设备及存储介质。根据目标用户的终端信令数据生成初始时空轨迹；其中，时空轨迹由多个轨迹点构成，且轨迹点包括时间信息和空间位置信息；对初始时空轨迹进行平滑处理，获得目标时空轨迹；从目标时空轨迹提取出行时空特征；将出行时空特征输入训练后的预测模型，输出目标用户的出行目的。本发明实施例提供的出行目的预测方法，从平滑处理后的时空轨迹中提取出行时空特征，再进出行时空特征输入训练后的预测模型，以预测出用户的出行目的，可以提高预测准确性。
附图说明
图1是本发明实施例一中的一种出行目的预测方法的流程图；
图2是本发明实施例一中的从出行数据中提取出行时空样本特征的示意图；
图3是本发明实施例二中的一种出行目的预测装置的结构示意图；
图4是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种出行目的预测方法的流程图，本实施例可适用于对用户的出行目的进行预测的情况，该方法可以由出行目的预测装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。如图1所示，该方法具体包括如下步骤：
S110，根据目标用户的终端信令数据生成初始时空轨迹。
其中，时空轨迹由多个轨迹点构成，且轨迹点包括时间信息和空间位置信息。一个轨迹点对应一条终端信令数据，终端信令数据可理解为终端与运营商的基站间的通信数据，其记录了通信数据交互时的时间信息及基站的空间位置信息。其中，空间位置信息可以以经纬度表征。示例性，假设第i个轨迹点可以表示为(ti,pi)，其中，ti表示第i个轨迹点的时间信息，pi表示第i个轨迹点的空间位置信息，则初始时空轨迹可以表示为φ＝((t1,p2),(t2,p2),…(tn,pn))。
S120，对初始时空轨迹进行平滑处理，获得目标时空轨迹。
本实施例中，初始时空轨迹中包含了大量的时空信息，终端信令数据难以避免存在噪声及偏差。例如：用户在一个基站附近停留或者移动时，该用户的移动终端的信号可能会调到其他相邻的基站上，使得终端信号数据出现噪声或者偏差。为了保证后续出行目的预测的准确性，需要对初始时空轨迹进行平滑处理。
具体的，对初始时空轨迹进行平滑处理，获得目标时空轨迹的方式可以是：基于相邻轨迹点的第一时间差和/或第一空间位置距离对初始时空轨迹进行分段处理，获得多个分段时空轨迹；对于每个分段时空轨迹，将分段时空轨迹中各轨迹点的空间位置信息更新为数量最多的空间位置信息；基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对相邻分段时空轨迹进行平滑处理，获得目标时空轨迹。
其中，第一时间差可以表示为ti+1-ti，第一空间位置距离可以理解为相邻轨迹点的距离，可以表示为distance(pi,pi+1)。本实施例中，基于相邻轨迹点的第一时间差和/或第一空间位置距离对初始时空轨迹进行分段处理的过程可以是：若相邻轨迹点的第一时间差大于第一时间阈值和/或第一空间位置距离大于距离阈值，则从相邻轨迹点之间对初始时空轨迹进行分割，获得多个分段时空轨迹。
其中，第一时间阈值和距离阈值可以基于居民的出行规律确定。示例性的，以城市A为例，居民单次活动时间超过30分钟，因此第一时间阈值可以取30分钟。在交通中，一次出行指为完成某一目的，在可通行车辆的道路上步行超过5分钟或使用交通工具单程距离超过500米。由于基站之间的距离采用的是球面距离，使用1.40作为非直线系数计算得对应的距离为357米，这里取整数400米作为距离阈值的取值。即若ti+1-ti＞第一时间距离阈值，和/或，distance(pi,pi+1)＞距离阈值，则将初始时空轨迹从第i和第i+1个轨迹点之间断开，从而获得多个分段时空轨迹。
其中，数量最多的空间位置信息可以理解为最多的空间位置信息相同的轨迹点数量。本实施例中，将分段时空轨迹中各轨迹点的空间位置信息更新为数量最多的空间位置信息的过程可以是：统计分段时空轨迹中空间位置信息相同的轨迹点数量，将轨迹点数量最多的空间位置信息确定为目标空间位置信息，最后将该分段时空轨迹的所有轨迹点的空间位置信息均更新为目标空间位置信息。示例性的，某个分段时空轨迹中包含20个轨迹点，空间位置信息均为P1的轨迹点为10个，空间位置信息均为P2的轨迹点为6个，空间位置信息均为P3的轨迹点为4个，则将该分段时空轨迹包含的20个轨迹点的空间位置信息均更新为P1。
其中，相邻分段时空轨迹可以包括前向分段时空轨迹和后向分段时空轨迹。则相邻分段时空轨迹间的第二时间差可以是前向分段时空轨迹中一个轨迹点与后向分段时空轨迹中一个轨迹点间的时间信息之差。相邻分段时空轨迹间的第二空间位置距离可以理解为前向分段时空轨迹对应的空间位置与后向分段时空轨迹对应的空间位置间的距离。本实施例中，基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对相邻分段时空轨迹进行平滑处理的过程可以是：通过相邻分段时空轨迹间的第二时间差和第二空间位置距离判断相邻分段时空轨迹是否处于同一基站对应的区域，若处于同一基站对应的区域，则将后向分段时空轨迹中各轨迹点的空间位置信息更新后前向分段时空轨迹的空间位置信息。
具体的，基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对相邻分段时空轨迹进行平滑处理的方式可以是：从相邻分段时空轨迹提取相隔设定数量轨迹点的两个轨迹点；确定两个轨迹点的第二时间差和第二空间位置距离；若第二时间差小于第一时间阈值且第二空间位置距离小于距离阈值，则将后向分段时空轨迹中各轨迹点的空间位置信息更新为前向分段时空轨迹的空间位置信息。
其中，一个轨迹点位于前向分段时空轨迹，另一个轨迹点位于后向分段时空轨迹。其中，设定数量轨迹点可以任意设置的数量，可以是1-5之间的任意值，即从前向分段时空轨迹选取的轨迹点与从后向分段时空轨迹提取的轨迹点之间相隔设定数量的轨迹点。示例性的，假设选取相隔1个轨迹点的两个轨迹点，则可以从前向分段时空轨迹提取最后一个轨迹点，从后向分段时空轨迹提取第二个轨迹点；或者从前向分段时空轨迹提取倒数第二个轨迹点，从后向分段时空轨迹提取第一个轨迹点。若位于前向分段时空轨迹的轨迹点表示为(tj,pj)，则位于后向分段时空轨迹的轨迹点可以表示为(tj+n,pj+n)，其中，n为1-5之间的任意值。
本实施例中，若从相邻分段时空轨迹提取相隔设定数量轨迹点的两个轨迹点的第二时间差小于第一时间阈值且第二空间位置距离小于距离阈值，则将后向分段时空轨迹中各轨迹点的空间位置信息更新后前向分段时空轨迹的空间位置信息。
S130，从目标时空轨迹提取出行时空特征。
其中，出行时空特征可以是多个，包括如下至少一项：出行距离、活动开始时间、活动持续时间、目标用户是否有工作、是否来自工作地、是否来自居住地、活动地兴趣点(Point of Interest，POI)分布、活动地路网密度分布及是否为工作日。出行距离可以理解为活动地距离上一个活动地的距离(单位：km)。活动开始时间可以是用户到达活动地的时间。活动持续时间可以是用户在活动停留的时间(单位：分钟)。是否有工作可以根据用户在工作日的时空轨迹来确定，若有，则值为1，若没有，则值为0。是否来自工作地可以理解为上一个活动地是否是工作地，若是，则值为1，若否，则值为0。是否来自居住地可以理解为上一个活动地是否是居住地，若是，则值为1，若否，则值为0。
POI类别可以包括：教育类、办公类、购物类(如商场、超市)、餐饮类、公共服务类(如：加油站、汽车服务、停车场、交通设施)、住宅类、娱乐类及住宿类(如酒店)。POI分布可以由该活动地对应区域中包含的各POI类别的占比以及该区域的POI类别量与包含的最多的POI类别量的比例构成。路网数据用于表征包含的道路类型，本实施例中，路网数据包括快速路(还可以称之为高速路)、主干路及次干路三种类型。活动地路网密度分布可以由活动地对应区域包含的各道路类型的比例及该区域的道路类型量与包含的最多的道路类型量的比例构成。示例性的，表1是本实施例中活动地POI分布和活动地路网密度分布的示例。
表1
如表1中，POI总数归一化表示该区域的POI类别量与包含的最多的POI类别量的比例，路网密度归一化表示该区域的道路类型量与包含的最多的道路类型量的比例构成。
S140，将出行时空特征输入训练后的预测模型，输出目标用户的出行目的。
其中，预测模型可以采用分布式梯度增强(XGBoost)算法、朴素贝叶斯算法、支持向量机、决策树算法、随机森林中的任意一种构建，可选的，本实施例中采用XGBoost算法。预测模型的训练方式为：获取样本用户的出行数据及真实出行目的；从出行数据中提取出行时空样本特征；基于出行时空样本特征和真实出行目的对预测模型进行训练。
其中，出行数据和真实出行目的可以通过对居民进行社会调查获取。示例性的，图2是从出行数据中提取出行时空样本特征的示意图，如图2所示，首先获得调查数据，包括：用户标识(ID)、出行标识(ID)、出发地、出发时间、达到地、达到时间、目的地属性及出行目的；然后从调查数据中提取出行数据，包括：用户标识(ID)、出行标识(ID)、达到地、停留时间、目的地属性及出行目的；最后从出行数据中提取出行时空样本特征。
具体的，基于出行时空样本特征和真实出行目的对预测模型进行训练的过程可以是：将出行时空样本特征输入待训练的预测模型，输出预测出行目的；确定预测出行目的和真实出行目的间的损失函数，基于损失函数对待预测模型进行训练。其中，基于损失函数对待预测模型进行训练方式可以参见现有任意的模型训练方法，此处不做限定。
可选的，在获得目标时空轨迹之后，还包括如下步骤：获取目标用户多个工作日的目标时空轨迹；提取目标时空轨迹中夜间时段的时空轨迹和日间时段的时空轨迹；根据多个夜间时段的时空轨迹确定第一场景地的目标位置，根据多个日间时段的时空轨迹确定第二场景地的目标位置。
其中，夜间时段可以是设定的时段，例如：可以是8pm-7am；日间时段可以是设定的时段，例如：可以是9am-5pm。本实施例中，目标时空轨迹可以是一整天的时空轨迹，可以根据轨迹点中的时间信息分别获取落入夜间时段和日间时段的轨迹点，从而获得夜间时段的时空轨迹和日间时段的时空轨迹。多个夜间时段的时空轨迹可以理解为多个工作日分别对应的夜间时段的时空轨迹，多个日间时段的时空轨迹可以理解为多个工作日分别对应的日间时段的时空轨迹。
本实施例中，根据多个夜间时段的时空轨迹确定第一场景地的目标位置的方式可以是：从夜间时段的时空轨迹中提取停留时间大于第二时间阈值的空间位置信息，作为第一场景地的候选位置；若候选位置在多个夜间时段中出现的比例超过第一设定阈值，则将候选位置确定为第一场景地的目标位置。
其中，停留时间可以是理解为同一个空间位置信息持续的时长，即同一个空间位置信息对应的起始轨迹点与终止轨迹点之前的时间差。第二时间阈值可以根据需求而设置的值，第一设定阈值可是大于50％-100％之间的任意值。第一场景地可以理解为居住地(如：家)。第一场景地的候选位置在多个夜间时段中出现的比例可以理解为：第一场景地的候选位置在多个工作日中出现的天数比例。具体的，对于每个夜间时段的时空轨迹，基于空间位置信息的停留时长确定出第一场景地的候选位置，然后判断候选位置在多个夜间时段的时空轨迹出现的天数比例是否超过第一设定阈值，若超过，则将该候选位置确定为第一场景地的目标位置。
可选的，若获得多个目标位置，则将停留时间最大的作为第一场景地最终的目标位置。若未获取到目标位置，则未获取到目标用户的第一场景地对应的位置。
本实施例中，根据多个日间时段的时空轨迹确定第二场景地的目标位置的方式可以是：从日间时段的时空轨迹中提取停留时间大于第三时间阈值的空间位置信息，作为第二场景地的候选位置；若候选位置在多个日间时段中出现的比例超过第二设定阈值，则将候选位置确定为第二场景地的目标位置。
其中，停留时间可以是理解为同一个空间位置信息持续的时长，即同一个空间位置信息对应的起始轨迹点与终止轨迹点之前的时间差。第三时间阈值可以根据需求而设置的值，与第二时间阈值可以相同或不同。第二设定阈值可是大于50％-100％之间的任意值，可以与第一设定阈值相同或不同。第二场景地可以理解为工作地(如：供职公司)。第二场景地的候选位置在多个日间时段中出现的比例可以理解为：第二场景地的候选位置在多个工作日中出现的天数比例。具体的，对于每个日间时段的时空轨迹，基于空间位置信息的停留时长确定出第二场景地的候选位置，然后判断候选位置在多个日间时段的时空轨迹出现的天数比例是否超过第二设定阈值，若超过，则将该候选位置确定为第二场景地的目标位置。
可选的，若获得多个目标位置，则将停留时间最大的作为第二场景地最终的目标位置。若未获取到目标位置，则未获取到目标用户的第二场景地对应的位置，则可以表明目标用户无工作。
本实施例的技术方案，根据目标用户的终端信令数据生成初始时空轨迹；其中，时空轨迹由多个轨迹点构成，且轨迹点包括时间信息和空间位置信息；对初始时空轨迹进行平滑处理，获得目标时空轨迹；从目标时空轨迹提取出行时空特征；将出行时空特征输入训练后的预测模型，输出目标用户的出行目的。本发明实施例提供的出行目的预测方法，从平滑处理后的时空轨迹中提取出行时空特征，再进出行时空特征输入训练后的预测模型，以预测出用户的出行目的，可以提高预测准确性。
实施例二
图3是本发明实施例二提供的一种出行目的预测装置的结构示意图，如图3所示，该装置包括：
初始时空轨迹生成模块310，用于根据目标用户的终端信令数据生成初始时空轨迹；其中，时空轨迹由多个轨迹点构成，且轨迹点包括时间信息和空间位置信息；
平滑处理模块320，用于对初始时空轨迹进行平滑处理，获得目标时空轨迹；
出行时空特征提取模块330，用于从目标时空轨迹提取出行时空特征；
出行目的获取模块340，用于将出行时空特征输入训练后的预测模型，输出目标用户的出行目的。
可选的，平滑处理模块320，还用于：
基于相邻轨迹点的第一时间差和/或第一空间位置距离对初始时空轨迹进行分段处理，获得多个分段时空轨迹；
对于每个分段时空轨迹，将分段时空轨迹中各轨迹点的空间位置信息更新为数量最多的空间位置信息；
基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对相邻分段时空轨迹进行平滑处理，获得目标时空轨迹。
可选的，平滑处理模块320，还用于：
若相邻轨迹点的第一时间差大于第一时间阈值和/或第一空间位置距离大于距离阈值，则从相邻轨迹点之间对初始时空轨迹进行分割，获得多个分段时空轨迹。
可选的，平滑处理模块320，还用于：
从相邻分段时空轨迹提取相隔设定数量轨迹点的两个轨迹点；其中，一个轨迹点位于前向分段时空轨迹，另一个轨迹点位于后向分段时空轨迹；
确定两个轨迹点的第二时间差和第二空间位置距离；
若第二时间差小于第一时间阈值且第二空间位置距离小于距离阈值，则将后向分段时空轨迹中各轨迹点的空间位置信息更新后前向分段时空轨迹的空间位置信息。
可选的，还包括：预测模型训练模块，用于：
获取样本用户的出行数据及真实出行目的；
从出行数据中提取出行时空样本特征；
基于出行时空样本特征和真实出行目的对预测模型进行训练。
可选的，还包括：场景地确定模块，用于：
获取目标用户多个工作日的目标时空轨迹；
提取目标时空轨迹中夜间时段的时空轨迹和日间时段的时空轨迹；
根据多个夜间时段的时空轨迹确定第一场景地的目标位置，根据多个日间时段的时空轨迹确定第二场景地的目标位置。
可选的，场景地确定模块，还用于：
从夜间时段的时空轨迹中提取停留时间大于第二时间阈值的空间位置信息，作为第一场景地的候选位置；
若候选位置在多个夜间时段中出现的比例超过第一设定阈值，则将候选位置确定为第一场景地的目标位置。
可选的，场景地确定模块，还用于：
若获得多个目标位置，
则将停留时间最大的作为第一场景地最终的目标位置。
可选的，场景地确定模块，还用于：
从日间时段的时空轨迹中提取停留时间大于第三时间阈值的空间位置信息，作为第二场景地的候选位置；
若候选位置在多个日间时段中出现的比例超过第二设定阈值，则将候选位置确定为第二场景地的目标位置。
可选的，场景地确定模块，还用于：
若获得多个目标位置，
则将停留时间最大的作为第二场景地最终的目标位置。
上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。
实施例三
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如出行目的预测方法。
在一些实施例中，出行目的预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的出行目的预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行出行目的预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (13)
1.一种出行目的预测方法，其特征在于，包括：
根据目标用户的终端信令数据生成初始时空轨迹；其中，所述时空轨迹由多个轨迹点构成，且所述轨迹点包括时间信息和空间位置信息；
对所述初始时空轨迹进行平滑处理，获得目标时空轨迹；
从所述目标时空轨迹提取出行时空特征；
将所述出行时空特征输入训练后的预测模型，输出所述目标用户的出行目的。
2.根据权利要求1所述的方法，其特征在于，对所述初始时空轨迹进行平滑处理，获得目标时空轨迹，包括：
基于相邻轨迹点的第一时间差和/或第一空间位置距离对所述初始时空轨迹进行分段处理，获得多个分段时空轨迹；
对于每个分段时空轨迹，将所述分段时空轨迹中各轨迹点的空间位置信息更新为数量最多的空间位置信息；
基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对所述相邻分段时空轨迹进行平滑处理，获得目标时空轨迹。
3.根据权利要求2所述的方法，其特征在于，基于相邻轨迹点的第一时间差和/或第一空间位置距离对所述初始时空轨迹进行分段处理，包括：
若相邻轨迹点的第一时间差大于第一时间阈值和/或第一空间位置距离大于距离阈值，则从所述相邻轨迹点之间对所述初始时空轨迹进行分割，获得多个分段时空轨迹。
4.根据权利要求2所述的方法，其特征在于，基于相邻分段时空轨迹间的第二时间差和第二空间位置距离对所述相邻分段时空轨迹进行平滑处理，包括：
从所述相邻分段时空轨迹提取相隔设定数量轨迹点的两个轨迹点；其中，一个轨迹点位于前向分段时空轨迹，另一个轨迹点位于后向分段时空轨迹；
确定所述两个轨迹点的第二时间差和第二空间位置距离；
若所述第二时间差小于第一时间阈值且所述第二空间位置距离小于距离阈值，则将所述后向分段时空轨迹中各轨迹点的空间位置信息更新为所述前向分段时空轨迹的空间位置信息。
5.根据权利要求1所述的方法，其特征在于，所述预测模型的训练方式为：
获取样本用户的出行数据及真实出行目的；
从所述出行数据中提取出行时空样本特征；
基于所述出行时空样本特征和所述真实出行目的对所述预测模型进行训练。
6.根据权利要求1所述的方法，其特征在于，在获得目标时空轨迹之后，还包括：
获取所述目标用户多个工作日的目标时空轨迹；
提取所述目标时空轨迹中夜间时段的时空轨迹和日间时段的时空轨迹；
根据多个所述夜间时段的时空轨迹确定第一场景地的目标位置，根据多个所述日间时段的时空轨迹确定第二场景地的目标位置。
7.根据权利要求6所述的方法，其特征在于，根据多个所述夜间时段的时空轨迹确定所述第一场景地的目标位置，包括：
从所述夜间时段的时空轨迹中提取停留时间大于第二时间阈值的空间位置信息，作为第一场景地的候选位置；
若所述候选位置在多个所述夜间时段中出现的比例超过第一设定阈值，则将所述候选位置确定为所述第一场景地的目标位置。
8.根据权利要求7所述的方法，其特征在于，在将所述候选位置确定为所述第一场景地的目标位置之后，还包括：
若获得多个目标位置，
则将停留时间最大的作为所述第一场景地最终的目标位置。
9.根据权利要求6所述的方法，其特征在于，根据多个所述日间时段的时空轨迹确定第二场景地的目标位置，包括：
从所述日间时段的时空轨迹中提取停留时间大于第三时间阈值的空间位置信息，作为第二场景地的候选位置；
若所述候选位置在多个所述日间时段中出现的比例超过第二设定阈值，则将所述候选位置确定为所述第二场景地的目标位置。
10.根据权利要求9所述的方法，其特征在于，在将所述候选位置确定为所述第二场景地的目标位置之后，还包括：
若获得多个目标位置，
则将停留时间最大的作为所述第二场景地最终的目标位置。
11.一种出行目的预测装置，其特征在于，包括：
初始时空轨迹生成模块，用于根据目标用户的终端信令数据生成初始时空轨迹；其中，所述时空轨迹由多个轨迹点构成，且所述轨迹点包括时间信息和空间位置信息；
平滑处理模块，用于对所述初始时空轨迹进行平滑处理，获得目标时空轨迹；
出行时空特征提取模块，用于从所述目标时空轨迹提取出行时空特征；
出行目的获取模块，用于将所述出行时空特征输入训练后的预测模型，输出所述目标用户的出行目的。
12.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-10中任一项所述的出行目的预测方法。
13.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-10中任一项所述的出行目的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310301939.0A CN116321007B (zh) | 2023-03-13 | 2023-03-13 | 出行目的预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310301939.0A CN116321007B (zh) | 2023-03-13 | 2023-03-13 | 出行目的预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116321007A true CN116321007A (zh) | 2023-06-23 |
| CN116321007B CN116321007B (zh) | 2024-04-02 |
Family
ID=86830452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310301939.0A Active CN116321007B (zh) | 2023-03-13 | 2023-03-13 | 出行目的预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116321007B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 信息预测的方法和装置 |
| CN108984561A (zh) * | 2017-06-01 | 2018-12-11 | 华为技术有限公司 | 选址方法及设备 |
| CN110414732A (zh) * | 2019-07-23 | 2019-11-05 | 中国科学院地理科学与资源研究所 | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 |
| CN112801181A (zh) * | 2021-01-27 | 2021-05-14 | 南京邮电大学 | 城市信令交通流用户分类、预测方法、存储介质及系统 |
| CN112954603A (zh) * | 2019-11-26 | 2021-06-11 | 中国移动通信集团甘肃有限公司 | 一种特殊人群运动轨迹的预测方法及电子设备 |
| WO2022128623A1 (en) * | 2020-12-14 | 2022-06-23 | Assa Abloy Ab | Trajectory and intent prediction |
| CN114862946A (zh) * | 2022-06-06 | 2022-08-05 | 重庆紫光华山智安科技有限公司 | 位置预测方法、系统、设备及介质 |
| CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴（中国）有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
| CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
| US20220414689A1 (en) * | 2022-01-19 | 2022-12-29 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for training path representation model |
-
2023
- 2023-03-13 CN CN202310301939.0A patent/CN116321007B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105183800A (zh) * | 2015-08-25 | 2015-12-23 | 百度在线网络技术（北京）有限公司 | 信息预测的方法和装置 |
| CN108984561A (zh) * | 2017-06-01 | 2018-12-11 | 华为技术有限公司 | 选址方法及设备 |
| CN110414732A (zh) * | 2019-07-23 | 2019-11-05 | 中国科学院地理科学与资源研究所 | 一种出行未来轨迹预测方法、装置、储存介质及电子设备 |
| CN112954603A (zh) * | 2019-11-26 | 2021-06-11 | 中国移动通信集团甘肃有限公司 | 一种特殊人群运动轨迹的预测方法及电子设备 |
| WO2022128623A1 (en) * | 2020-12-14 | 2022-06-23 | Assa Abloy Ab | Trajectory and intent prediction |
| CN112801181A (zh) * | 2021-01-27 | 2021-05-14 | 南京邮电大学 | 城市信令交通流用户分类、预测方法、存储介质及系统 |
| US20220414689A1 (en) * | 2022-01-19 | 2022-12-29 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for training path representation model |
| CN114862946A (zh) * | 2022-06-06 | 2022-08-05 | 重庆紫光华山智安科技有限公司 | 位置预测方法、系统、设备及介质 |
| CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴（中国）有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
| CN115345390A (zh) * | 2022-10-19 | 2022-11-15 | 武汉大数据产业发展有限公司 | 一种行为轨迹预测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116321007B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112652036B (zh) | 道路数据的处理方法、装置、设备及存储介质 | |
| CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| CN110647675B (zh) | 停留点识别及预测模型训练方法、装置及存储介质 | |
| US20230024680A1 (en) | Method of determining regional land usage property, electronic device, and storage medium | |
| CN112860993A (zh) | 兴趣点的分类方法、装置、设备、存储介质及程序产品 | |
| CN113361710A (zh) | 学生模型训练方法、图片处理方法、装置及电子设备 | |
| CN111553279A (zh) | 兴趣点的表征学习、识别方法、装置、设备及存储介质 | |
| CN114626169A (zh) | 交通路网优化方法、装置、设备、可读存储介质及产品 | |
| CN113657596B (zh) | 训练模型和图像识别的方法和装置 | |
| CN113932796B (zh) | 高精地图车道线生成方法、装置和电子设备 | |
| CN115759504A (zh) | 一种路径规划方法、装置、电子设备及存储介质 | |
| CN114111813A (zh) | 高精地图元素更新方法、装置、电子设备及存储介质 | |
| CN113723607A (zh) | 时空数据处理模型的训练方法、装置、设备及存储介质 | |
| CN113379719A (zh) | 道路缺陷检测方法、装置、电子设备和存储介质 | |
| CN113449687A (zh) | 兴趣点出入口的识别方法、装置及电子设备 | |
| US20240192015A1 (en) | Method and apparatus for updating associated information of guide point | |
| CN116321007B (zh) | 出行目的预测方法、装置、设备及存储介质 | |
| CN114445711B (zh) | 图像检测方法、装置、电子设备和存储介质 | |
| CN113450794B (zh) | 导航播报的检测方法、装置、电子设备和介质 | |
| CN113361519B (zh) | 目标处理方法、目标处理模型的训练方法及其装置 | |
| CN113610008B (zh) | 获取渣土车状态的方法、装置、设备以及存储介质 | |
| CN113220816A (zh) | 电子地图兴趣点poi的数据处理方法、装置及设备 | |
| CN113379884A (zh) | 地图渲染方法、装置、电子设备、存储介质以及车辆 | |
| CN113051490A (zh) | 新增兴趣点预测模型训练、新增兴趣点预测方法及装置 | |
| CN112507223A (zh) | 数据处理方法、装置、电子设备及可读存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |